MAF1731 - Microstructure and Trading Systems

B.Eng Financial Engineering

Giusti Gutiérrez Ana Paula

Rivera Sahagun Juan Pablo

Paris Merin Douglas Fabián

October 2021 | Repository: Link

---

Lab 3

Metrics and Behavioral Finance

---

Abstract

Este laboratorio fue elaborado por Giusti Gutiérrez Ana Paula, Rivera Sahagun Juan Pablo y Paris Merin Douglas Fabián, como el laboratorio número 3 de la clase Microestructura y Sistemas de Trading.

Este laboratorio tiene como objetivo principal el análisis del desempeño de la actividad de trading que se realizo en el laboratorio 2. En este trabajo se busca medir al usuario, basándonos en su historial de operaciones, y su ganancia durante y al final de dichas operaciones, al ser 3 usuarios obtuvimos 3 resultados diferentes, analizando cada uno se observa que tan adverso es riesgo es cada persona, que tanto tiempo le invirtió, entre otras cosas.

1. Introduction

---

El objetivo principal de este laboratorio es el análisis de desempeño de las operaciones que se hicieron en FXpro Metatrader5, cada uno de los usuarios tuvo 1 semana para, abrir y cerrar operaciones, con el objetivo de obtener el mayor rendimiento posible, fue un ejercicio de trading discrecional, es decir que no tenia ninguna ciencia, cada uno hacia las trades que quisiera, sin importar su razonamiento.

Ahora toca análisis dichas operaciones, que tan bien les fue a los usuarios, cuantas operaciones hicieron, con cuantas ganaron o perdieron, cuantos activos usaron, abrieron mas de una posición a la vez, entre otras cosas. Para el análisis de desempeño, se utilizaron diferentes técnicas, como el rendimiento de Sharpe, DrawDown, DrawUp y sesgos cognitivos. Con ayuda de graficas y más herramientas, se logro llevar a cabo el análisis que estábamos buscando, y entendimos un poco mas el trasfondo de todo lo que pasa, al momento de darle click a un botón para comprar o vender un activo, y que es mucho mas complejo de lo que parece.

2. Install/Load Packages and Depedencies

---

2.1 Python Packages

In order to run this notebook, it is necessary to have installed and/or have the requirements.txt file with the following:

• pandas>=1.1.1
• numpy>=1.19.1
• jupyter>=1.0.0
• yfinance~=0.1.63
• MetaTrader5~=5.0.34
• plotly>=5.3.1
• Some others that can be used.

2.2 Files Dependencies

The following are the file dependencies that are needed to run this notebook:

• files/History5400732.xlsx : Student Operations History 1
• files/History5401437.xlsx : Student Operations History 2
• files/df_hist_5401675.csv : Student Operations History 3
• files/instruments_pips.csv : Data base with pips of a list of instrument

2.3 Install and Import Packages

%%capture

# Install all the pip packages in the requirements.txt
import sys
!{sys.executable} -m pip install -r requirements.txt

import functions as fn
import sys
import data as dt
import datetime
import visualizations as vs

3. Data Description

---

To complete the project objective, we need to have the data that was created in the laboratory number two. Here are the three stories of operations that will be analize in the next steps.

data_ini_1 = dt.f_leer_archivo(param_estudiante=1)
data_ini_2 = dt.f_leer_archivo(param_estudiante=2)
data_ini_3 = dt.f_leer_archivo(param_estudiante=3)

data_ini_1

	Unnamed: 0	OpenTime	Symbol	Ticket	Type	Volume	OpenPrice	S/L	T/P	CloseTime	ClosePrice	Profit
0	0	2021-09-22 05:28:08	BTCUSD	45458917	0	0.23	42127.15	40139.0	42496.76	2021-09-22 05:28:17	42010.08	-26.93
1	2	2021-09-22 05:30:14	BTCUSD	45458934	0	0.23	42060.66	40143.0	42496.76	2021-09-22 10:43:00	42501.69	101.44
2	4	2021-09-22 17:27:04	BTCUSD	45470462	0	0.24	42599.23	0.0	0.00	2021-09-22 17:27:55	43025.30	106.91
3	7	2021-09-23 04:09:17	BTCUSD	45483777	1	0.23	43179.98	44046.0	42790.00	2021-09-23 06:24:19	44050.76	-200.28
4	9	2021-09-24 21:22:51	BTCUSD	45524436	0	0.23	42255.15	40304.0	43135.80	2021-09-25 00:39:11	43153.89	206.71

data_ini_2

	Unnamed: 0	OpenTime	Symbol	Ticket	Type	Volume	OpenPrice	S/L	T/P	CloseTime	ClosePrice	Profit
0	1	2021-09-20 21:38:54	GBPUSD	45426490	0	0.1	1.36482	1.34191	1.41691	2021-09-21 18:10:07	1.36541	5.90
1	2	2021-09-21 18:06:22	EURUSD	45448836	1	0.1	1.17224	1.17272	1.17072	2021-09-21 19:23:28	1.17271	-4.70
2	3	2021-09-22 17:22:53	AUDUSD	45470330	1	0.2	0.72540	0.73067	0.71567	2021-09-23 16:47:35	0.73067	-105.40
3	4	2021-09-23 16:58:56	USDCAD	45498648	0	0.1	1.26548	1.26062	1.27189	2021-09-24 05:42:33	1.26699	11.92
4	5	2021-09-24 19:23:01	NZDUSD	45522977	0	0.1	0.70234	0.70024	70507.00000	2021-09-24 23:56:35	0.70010	-22.40

data_ini_3

	Unnamed: 0	OpenTime	Symbol	Ticket	Type	Volume	OpenPrice	S/L	T/P	CloseTime	ClosePrice	Profit
0	0	2021-09-21 04:36:26	EURUSD	45431784	1	0.10	1.172670	1.17370	1.16980	2021-09-21 04:57:00	1.1737	-10.40
1	2	2021-09-22 06:36:42	EURUSD	45459384	0	0.25	1.172310	1.16211	1.18220	2021-09-22 21:36:26	0.0000	74.50
2	4	2021-09-23 06:01:16	EURUSD	45484785	0	0.50	1.170060	1.16186	1.77991	2021-09-23 15:57:25	0.0000	132.00
3	6	2021-09-23 16:03:02	USDCHF	45495654	0	0.70	1.370990	0.88129	0.95338	2021-09-24 23:01:56	0.0000	0.00
4	7	2021-09-23 16:08:36	GBPUSD	45496076	1	10.00	1.265510	1.42103	1.33297	2021-09-23 16:25:00	0.0000	957.05
5	9	2021-09-23 16:33:58	USDCAD	45497181	1	20.00	1.264810	1.28521	1.25619	2021-09-23 21:26:22	0.0000	1943.07
6	11	2021-09-23 21:31:00	USDCAD	45504414	0	0.70	0.923620	1.24462	1.27466	2021-09-24 05:11:08	0.0000	115.01
7	12	2021-09-23 21:41:07	USDJPY	45504470	1	25.00	110.216000	111.20600	109.72000	2021-09-28 06:25:44	111.2060	-22300.55
8	16	2021-09-29 20:21:17	USDCAD	45604366	1	75.00	1.276138	1.36050	1.25604	2021-09-30 05:59:52	0.0000	13765.90
9	20	2021-09-30 06:19:10	USDJPY	45610096	1	65.00	1.276138	114.82900	108.82400	2021-09-30 18:24:49	0.0000	17777.56

4. Descriptive statistics

---

Aquí se muestra el resumen de cada uno de los usuarios, información como: Operaciones Totales, Operaciones Ganadoras, Operaciones Perdedoras, Mediana de las Operaciones, Operaciones de Compra Venta, entre otras cosas.

El segundo DataFrame muestra el Ranking de las operaciones, es decir cuál fue el porcentaje de ganancias de cada activo, si hay 10 operaciones de eurgbp y en todas se cerró con ganancia, hay un 100% de efectividad en eurgbp.

data_jp = fn.f_columnas_tiempos(data_ini_3)
data_jp["mult"] = data_jp.Symbol.map(lambda x: fn.f_pip_size(x))
data_jp = fn.f_columnas_pips(data_jp)
parte_1_jp = fn.f_estadisticas_ba(data_jp)
parte_1_jp['df_1_tabla']

	medida	valor	descripcion
0	Ops totales	10.00000	Operaciones totales
1	Ganadoras	7.00000	Operaciones ganadoras
2	Ganadoras_c	0.00000	Operaciones ganadoras de compra
3	Ganadoras_v	0.00000	Operaciones ganadoras de venta
4	Perdedoras	2.00000	Operaciones eprdedoras
5	Perdedoras_c	0.00000	Operaciones perdedoras de compra
6	Perdedoras_v	0.00000	Operaciones eprdedoras de venta
7	Mediana (Profit)	1245.41400	Mediana de profit de operaciones
8	Mediana (Pips)	8445.26938	Mediana de pips de operaciones
9	r_efectividad	0.70000	Ganadoras Totales/Operaciones Totales
10	r_proporcion	3.50000	Ganadoras Totales/Perdedoras Totales
11	r_efectividad_c	0.00000	Ganadoras Compras/Operaciones Totales
12	r_efectividad_v	0.00000	Ganadoras Ventas / Operaciones Totales

parte_1_jp['df_2_ranking']

	Symbol	rank
0	EURUSD	66.67%
1	GBPUSD	100.00%
2	USDCAD	100.00%
3	USDCHF	0.00%
4	USDJPY	50.00%

data_dou = fn.f_columnas_tiempos(data_ini_1)
data_dou["mult"] = data_dou.Symbol.map(lambda x: fn.f_pip_size(x))
data_dou = fn.f_columnas_pips(data_dou)
parte_1_dou = fn.f_estadisticas_ba(data_dou)
parte_1_dou['df_1_tabla']

	medida	valor	descripcion
0	Ops totales	5.00	Operaciones totales
1	Ganadoras	3.00	Operaciones ganadoras
2	Ganadoras_c	0.00	Operaciones ganadoras de compra
3	Ganadoras_v	0.00	Operaciones ganadoras de venta
4	Perdedoras	2.00	Operaciones eprdedoras
5	Perdedoras_c	0.00	Operaciones perdedoras de compra
6	Perdedoras_v	0.00	Operaciones eprdedoras de venta
7	Mediana (Profit)	37.57	Mediana de profit de operaciones
8	Mediana (Pips)	-50391.00	Mediana de pips de operaciones
9	r_efectividad	0.60	Ganadoras Totales/Operaciones Totales
10	r_proporcion	1.50	Ganadoras Totales/Perdedoras Totales
11	r_efectividad_c	0.00	Ganadoras Compras/Operaciones Totales
12	r_efectividad_v	0.00	Ganadoras Ventas / Operaciones Totales

parte_1_dou['df_2_ranking']

	Symbol	rank
0	BTCUSD	60.00%

data_ap = fn.f_columnas_tiempos(data_ini_2)
data_ap["mult"] = data_ap.Symbol.map(lambda x: fn.f_pip_size(x))
data_ap = fn.f_columnas_pips(data_ap)
parte_1_ap = fn.f_estadisticas_ba(data_ap)
parte_1_ap['df_1_tabla']

	medida	valor	descripcion
0	Ops totales	5.000000	Operaciones totales
1	Ganadoras	2.000000	Operaciones ganadoras
2	Ganadoras_c	0.000000	Operaciones ganadoras de compra
3	Ganadoras_v	0.000000	Operaciones ganadoras de venta
4	Perdedoras	3.000000	Operaciones eprdedoras
5	Perdedoras_c	0.000000	Operaciones perdedoras de compra
6	Perdedoras_v	0.000000	Operaciones eprdedoras de venta
7	Mediana (Profit)	-22.936000	Mediana de profit de operaciones
8	Mediana (Pips)	-11.200000	Mediana de pips de operaciones
9	r_efectividad	0.400000	Ganadoras Totales/Operaciones Totales
10	r_proporcion	0.666667	Ganadoras Totales/Perdedoras Totales
11	r_efectividad_c	0.000000	Ganadoras Compras/Operaciones Totales
12	r_efectividad_v	0.000000	Ganadoras Ventas / Operaciones Totales

parte_1_ap['df_2_ranking']

	Symbol	rank
0	AUDUSD	0.00%
1	EURUSD	0.00%
2	GBPUSD	100.00%
3	NZDUSD	0.00%
4	USDCAD	100.00%

5. Performance Attribution Metrics

---

• Sharpe: Mide el rendimiento promedio excedente sobre la tasa libre de riesgo por unidad de riesgo incurrido. Es decir si un usuario obtuve un radio de Sharpe alto, quiere decir que hizo mas rendimiento que el riesgo que incurrió.

• DrawDown / DrawUp: La minusvalía/plusvalía máxima que se presentó en la evolución del capital. En pocas palabras cuanto fue lo máximo que llegaste a ganar y cuanto fue lo máximo que llegaste a perder.

En el pimer DataFrame de cada usuario, se muestra el valor del portafolio a lo largo del tiempo, con sus respectivas ganancias y perdidas.

En el segundo se muestra un análisis mas detallado de cada usuario, lo que viene siendo el radio de sharpe, el radio de sharpe ajustado, máxima perdida, máxima ganancia, fecha inicio y fecha fin del DrawDown y DrawUp del capital.

parte_2_1_dou = fn.f_evolucion_capital(cap_ini=100000, operaciones=data_dou.copy())
parte_2_2_dou = fn.f_estadisticas_mad(parte_2_1_dou, rf=0.05, benchmark_ticker="^GSPC")
parte_2_1_dou

[*********************100%***********************]  1 of 1 completed

	timestamp	profit_d	profit_acm_d
0	2021-09-22 23:59:59	181.42	100181.42
1	2021-09-23 23:59:59	-200.28	99981.14
2	2021-09-24 23:59:59	0.00	99981.14
3	2021-09-25 23:59:59	206.71	100187.85

parte_2_2_dou

	0	formato	valor	descripcion
0	sharpe_original	Cantidad	-1.54836	Sharpe Ratio Fórmula Original
1	sharpe_actualizado	Cantidad	-12.61735	Sharpe Ratio Fórmula Ajustada
2	drawdown_capi	Fecha Inicial	2021-09-22 23:59:59	Fecha inicial del DrawDown de Capital
3	drawdown_capi	Fecha Final	2021-09-23 23:59:59	Fecha final del DrawDown de Capital
4	drawdown_capi	DrawDown $ (capital)	-200.28	Máxima pérdida flotante registrada
5	drawup_capi	Fecha Inicial	2021-09-23 23:59:59	Fecha inicial del DrawUp de Capital
6	drawup_capi	Fecha Final	2021-09-25 23:59:59	Fecha final del DrawUp de Capital
7	drawup_capi	DrawUp $ (capital)	206.71	Máxima ganancia flotante registrada

parte_2_1_ap = fn.f_evolucion_capital(cap_ini=100000, operaciones=data_ap.copy())
parte_2_2_ap = fn.f_estadisticas_mad(parte_2_1_ap, rf=0.05, benchmark_ticker="^GSPC")
parte_2_1_ap

[*********************100%***********************]  1 of 1 completed

	timestamp	profit_d	profit_acm_d
0	2021-09-20 23:59:59	0.00	100000.00
1	2021-09-21 23:59:59	1.20	100001.20
2	2021-09-22 23:59:59	0.00	100001.20
3	2021-09-23 23:59:59	-105.40	99895.80
4	2021-09-24 23:59:59	-10.48	99885.32

parte_2_2_ap

	0	formato	valor	descripcion
0	sharpe_original	Cantidad	-6.157319	Sharpe Ratio Fórmula Original
1	sharpe_actualizado	Cantidad	-14.128447	Sharpe Ratio Fórmula Ajustada
2	drawdown_capi	Fecha Inicial	2021-09-21 23:59:59	Fecha inicial del DrawDown de Capital
3	drawdown_capi	Fecha Final	2021-09-24 23:59:59	Fecha final del DrawDown de Capital
4	drawdown_capi	DrawDown $ (capital)	-115.88	Máxima pérdida flotante registrada
5	drawup_capi	Fecha Inicial	2021-09-20 23:59:59	Fecha inicial del DrawUp de Capital
6	drawup_capi	Fecha Final	2021-09-21 23:59:59	Fecha final del DrawUp de Capital
7	drawup_capi	DrawUp $ (capital)	1.2	Máxima ganancia flotante registrada

parte_2_1_jp = fn.f_evolucion_capital(cap_ini=100000, operaciones=data_jp.copy())
parte_2_2_jp = fn.f_estadisticas_mad(parte_2_1_jp, rf=0.05, benchmark_ticker="^GSPC")
parte_2_1_jp

[*********************100%***********************]  1 of 1 completed

	timestamp	profit_d	profit_acm_d
0	2021-09-21 23:59:59	-10.40	99989.60
1	2021-09-22 23:59:59	74.50	100064.10
2	2021-09-23 23:59:59	3032.12	103096.22
3	2021-09-24 23:59:59	115.01	103211.23
4	2021-09-25 23:59:59	0.00	103211.23
5	2021-09-26 23:59:59	0.00	103211.23
6	2021-09-27 23:59:59	0.00	103211.23
7	2021-09-28 23:59:59	-22300.55	80910.68
8	2021-09-29 23:59:59	0.00	80910.68
9	2021-09-30 23:59:59	31543.46	112454.14

parte_2_2_jp

	0	formato	valor	descripcion
0	sharpe_original	Cantidad	-0.016109	Sharpe Ratio Fórmula Original
1	sharpe_actualizado	Cantidad	1.614683	Sharpe Ratio Fórmula Ajustada
2	drawdown_capi	Fecha Inicial	2021-09-24 23:59:59	Fecha inicial del DrawDown de Capital
3	drawdown_capi	Fecha Final	2021-09-28 23:59:59	Fecha final del DrawDown de Capital
4	drawdown_capi	DrawDown $ (capital)	-22300.55	Máxima pérdida flotante registrada
5	drawup_capi	Fecha Inicial	2021-09-28 23:59:59	Fecha inicial del DrawUp de Capital
6	drawup_capi	Fecha Final	2021-09-30 23:59:59	Fecha final del DrawUp de Capital
7	drawup_capi	DrawUp $ (capital)	31543.46	Máxima ganancia flotante registrada

6. Behavioral Finance

---

Para esta parte analizamos el sesgo cognitivo propuesto por Kahneman y Tversky, que se trata del efecto que se puede observar en el histórico de un usuario sobre el hecho que, al observar una ganancia, este tiende a cerrar la posición de prisa, pero ocurre lo contrario cuando se observa una perdida, donde el usuario tiende a dejar abierta la posición, esperando que la perdida disminuya, o que se convierta en ganancia.

Para el análisis tomamos en cuenta la cantidad de veces que ocurrió el sesgo, el timestamp del momento donde ocurrió, y se fue de una posición ganadora o perdedora, el volumen, el sentido (compra o venta) y ver si tiene una sensibilidad decreciente.

• ocurrencias: Existe 1 ocurrencia cuando hay una operación ancla y al menos una operación perdedora asociada a esa ancla.

• status_quo: % de ocurrencias donde profit_perdedora/profit_acm<profit_ganadora/profit_acm.

• aversion_perdida: % de ocurrencias donde profit_perdedora/profit_ganadora > 2.0

• sensibilidad_decreciente: Comparar lo siguiente con la info de la primera operación ancla y la última operación ancla: Si el profit_acm de la cuenta aumentó.

Si el profit_ganadora (ult ancla) > profit_ganadora (1era ancla) & profit_perdedora (ult ancla) > profit_perdedora (1era ancla).

Si el ratio profit_perdedora/profit_ganadora ult ancla es > 2.

Si y sólo si por lo menos dos de las anteriores se cumplen, entonces, hay sensibilidad decreciente.

final_dict_dou = fn.f_be_de(data_dou)
final_dict_dou

 ++++ init_login succeded, message =  True
sin ocurrencias

final_dict_ap = fn.f_be_de(data_ap)
final_dict_ap

 ++++ init_login succeded, message =  True

{'ocurrencias': {'Cantidad': 1,
  'ocurrencia_1': {'timestamp': Timestamp('2021-09-21 18:10:07'),
   'operaciones': {'ganadoras': {'instrumento': 'GBPUSD',
     'volumen': 0.1,
     'sentido': 'buy',
     'profit_ganadora': 5.9},
    'perdedoras': {'instrumento': 'EURUSD',
     'volumen': 0.1,
     'sentido': 'buy',
     'profit_perdedora': -0.0}},
   'ratio_cp_profit_acm': 0.0,
   'ratio_cg_profit_acm': 1.0,
   'ratio_cp_cg': 0.0}},
 'resultados': {'dataframe':    ocurrencias status_quo aversion_perdida sensibilidad_decreciente
  0            1     100.0%             0.0%                       No}}

final_dict_jp = fn.f_be_de(data_jp)
final_dict_jp

 ++++ init_login succeded, message =  True

{'ocurrencias': {'Cantidad': 4,
  'ocurrencia_1': {'timestamp': Timestamp('2021-09-23 16:25:00'),
   'operaciones': {'ganadoras': {'instrumento': 'GBPUSD',
     'volumen': 10.0,
     'sentido': 'sell',
     'profit_ganadora': 957.05},
    'perdedoras': {'instrumento': 'USDCHF',
     'volumen': 0.7,
     'sentido': 'sell',
     'profit_perdedora': 0.31}},
   'ratio_cp_profit_acm': 0.0,
   'ratio_cg_profit_acm': 0.83,
   'ratio_cp_cg': 0.0},
  'ocurrencia_2': {'timestamp': Timestamp('2021-09-23 21:26:22'),
   'operaciones': {'ganadoras': {'instrumento': 'USDCAD',
     'volumen': 20.0,
     'sentido': 'sell',
     'profit_ganadora': 1943.07},
    'perdedoras': {'instrumento': 'USDCHF',
     'volumen': 0.7,
     'sentido': 'sell',
     'profit_perdedora': 0.31}},
   'ratio_cp_profit_acm': 0.0,
   'ratio_cg_profit_acm': 0.63,
   'ratio_cp_cg': 0.0},
  'ocurrencia_3': {'timestamp': Timestamp('2021-09-24 05:11:08'),
   'operaciones': {'ganadoras': {'instrumento': 'USDCAD',
     'volumen': 0.7,
     'sentido': 'buy',
     'profit_ganadora': 115.01},
    'perdedoras': {'instrumento': 'USDCHF',
     'volumen': 0.7,
     'sentido': 'buy',
     'profit_perdedora': 0.31}},
   'ratio_cp_profit_acm': 0.0,
   'ratio_cg_profit_acm': 0.04,
   'ratio_cp_cg': 0.0},
  'ocurrencia_4': {'timestamp': Timestamp('2021-09-24 05:11:08'),
   'operaciones': {'ganadoras': {'instrumento': 'USDCAD',
     'volumen': 0.7,
     'sentido': 'buy',
     'profit_ganadora': 115.01},
    'perdedoras': {'instrumento': 'USDJPY',
     'volumen': 25.0,
     'sentido': 'buy',
     'profit_perdedora': -6.63}},
   'ratio_cp_profit_acm': 0.0,
   'ratio_cg_profit_acm': 0.04,
   'ratio_cp_cg': 0.06}},
 'resultados': {'dataframe':    ocurrencias status_quo aversion_perdida sensibilidad_decreciente
  0            4     100.0%             0.0%                       No}}

7. Visualizations and Results

---

A continuación para mostrar resultados y comparaciones se utilizaron las siguientes gráficas que muestran comportamientos de los tres integrantes del equipo.

7.1 Results of Descriptive statistics and Performance Attribution Metrics

Viendo las graficas de pastel podemos observar diferencias claras entre los 3 usuarios, Douglas que baso sus operaciones en un solo activo, Ana Pau que diversifico un poco, o Juan Pablo que utilizo diferentes activos.

Ranking

parte_1_ap['df_2_ranking']['rank'] = parte_1_ap['df_2_ranking']['rank'].map(lambda x: eval(x[:-1]))
vs.pie_chart(parte_1_ap['df_2_ranking'], title="Ranking Ana Paula")

parte_1_dou['df_2_ranking']['rank'] = parte_1_dou['df_2_ranking']['rank'].map(lambda x: eval(x[:-1]))
vs.pie_chart(parte_1_dou['df_2_ranking'], title="Ranking Douglas")

parte_1_jp['df_2_ranking']['rank'] = parte_1_jp['df_2_ranking']['rank'].map(lambda x: eval(x[:-1]))
vs.pie_chart(parte_1_jp['df_2_ranking'], title="Ranking Juan Pablo")

DrawDown and DrawUp

Al observar las graficas del DrawDown y DrawUp, nos damos cuenta que también se mueven de manera muy diferente dependiendo del usuario, poniendo el ejemplo de Juan Pablo su DrawDown duro 4 dias, mientras que el de Douglas duro apenas 1, ahí te das cuenta, de que Juan Pablo mantuvo la posición mas tiempo.

vs.line_chart(parte_2_1_ap, parte_2_2_ap)

vs.line_chart(parte_2_1_jp, parte_2_2_jp)

vs.line_chart(parte_2_1_dou, parte_2_2_dou)

7.2 Results of Behavioral Finance

Y por último se pudo concluir que en las pocas operaciones realizadas no se mostro sensibilidad al riesgo en inguno, de igual manera no aversión al riesgo. Y se muestran los resultados que se obtuvieron con anterioridad del status quo.

Disposition Effect

vs.chart_behave(final_dict_dou)

sin ocurrencias

vs.chart_behave(final_dict_ap)

vs.chart_behave(final_dict_jp)

8. Conclusions

Mucha gente piensa que el trading nomas es comprar y vender activos, que no tiene mucha ciencia detrás, que la mayoría de las veces que obtienes ganancia es por suerte, todo lo que tenga que ver con riesgo, como Forex, criptomonedas, o hasta la bolsa de valores, lo ven como un casino, un lugar donde puede que ganes, pero la mayoría pierde su dinero.

Y esta actividad se trato de eso, de desmentir todas estas cosas, en el laboratorio 2, fue exactamente eso, jugar a que hacíamos trading, y muchos tuvieron suerte y obtuvieron ganancias significativas, otros no tanto y perdieron bastante dinero, pero este laboratorio, lo que hicimos, fue darle sentido a todas esa decisiones, que en su momento no pensamos demasiado, o que fueron simple inercia, o emoción del momento.

El hecho de que te deshagas de una posición cuando obtienes una ligera ganancia, tiene su significado, o viceversa el que mantengas una posición mas tiempo por no querer perder dinero, también tiene sus razones.

Cada detalle que te llevo a tomar la decisión de comprar o vender, tiene un significado, y mientras mas tomes en cuenta estos análisis, y te cuestiones mas el por que haces las cosas, te va ir mucho mejor.

9. References

---

[1] Munnoz, 2020. Python project template. https://github.com/iffranciscome/python-project. (2021).